本发明涉及港口装卸设备监测领域，特别涉及一种港口起重机传动部件大数据监控系统及监控方法。
背景技术：
岸桥、轮胎吊、轨道吊等集装箱装卸设备大量融合了拥有数字化技术、现代控制技术、通讯技术的机、电、液一体化设备，其复杂程度越来越高，出现突发故障后，现场维修难度大，维修周期长，给码头带来不可预估的损失。且近年来随着自动化码头的发展，码头作业环境急剧变化，如现场操作及维保人员减少，设备作业效率的提升及时间的延长，设备智能化程度的提高，对设备可靠性要求也越来越严苛。另外，码头设备多且分散，传统的计划性巡检与故障后维修方式有显著的局限性，耗时、耗人工且突出故障难以及时有效发现，技术资料也比较分散，从根源就无法实现港口设备运行状态的监控与管理。因此，亟需设计一套性价比高、实用性强、完成可解决现场需求的港口设备运行状态大数据监控系统，用于实现港口设备传动结构的全寿命评估与管控。
从1993年开始世界范围内陆续建设自动化码头以来，自动化码头技术日趋成熟，现已升级发展至第四代。国内外也成功建设了一批先进的自动化码头，如荷兰鹿特丹港，青岛港、洋山港等。未来自动化码头建设的重点将基于新一代智能传感、物联网、大数据及人工智能等技术，来实现码头信息流的智能化，包括智能生产、决策和自动流程处理等，即其未来发展方向将从自动化向智能化转移。码头发展更注重的生产和经济效益，故当前自动化码头技术发展均是以提高生产效率为前提，包括tos系统，igv技术与ecs系统的使用等。但对于起重设备自身健康状态的监测与管理存在严重不足，其巡检、维修及保养仍然以传统人工管理为主，利用excel电子表格进行辅助管理。目前设备管理的现状，不能及时实时了解设备的运行情况，设备全寿命周期的资料分散，日常维修保养等工作无法实现自动管理。
从2012年开始，部分码头开始小批量引入设备状态检测系统，但前期各厂家均借助其它行业经验(如风电、石化)，对起重设备设计参数、工作状况及关键部位的差异性不够了解；且前期由于物联网通信技术的制约，分散在各个设备上的大量数据无法有效上传至服务器，无法发现这些设备深层次的共同故障特征，进而无法进行大数据深入挖掘分析，系统持续更新发展能力不足，实际运用效果与期待值存在巨大的差异性，设备存在误报、漏报等问题。
技术实现要素：
针对以上不足，本发明旨在提供一种港口起重机传动部件大数据监控系统及监控方法，所述系统基于智能采集、物联网、大数据等技术，对设备传动部件异常状态进行实时监控并精确预警，解决用户对起重设备运行机构的健康状况把控不够，无法避免突发性故障带来生产损失等问题；同时实现港口设备集中化、集成化与智能化的管理，实现港口高效、智能化运转。
为实现上述目的，本发明提供如下技术方案：
一种港口起重机传动部件大数据监控系统，包括多个起重机单机监测系统、交换机及码头数据中心，所述码头数据中心包括数据中心交换机、可视化平台、数据处理模块，起重机单机监测系统用于获取起重机传动部件的工作数据，数据中心交换机与交换机数据互联，用于传送起重机传动部件的工作数据，数据处理模块与数据中心交换机数据互联，用于接收起重机传动部件工作数据、筛选核心工作数据以及形成深度学习模型，可视化平台与数据中心交换机数据互联，用于展示深度学习模型和起重机传动部件的实时工作数据。
作为一种优选的技术方案，所述起重机单机监测系统包括多个传感器、多个单机监测采集器，所述多个传感器分别安装在起重机的电机驱动端、齿轮箱输入端、齿轮箱中间轴端、齿轮箱输出端和卷筒的自由端，各传感器与单机监测采集器数据互联，多个单机监测采集器分别设置在各起重机上，并与起重机的控制中心进行通讯连接，起重机单机监测采集器获取起重机传动部件的工作状态参数，包括转速、负载、小车位置等信息。起重机的单机群及其不同工况下采集的数据构成大数据的来源和应用对象。
作为一种优选的技术方案，所述传感器包括振动传感器和温度传感器。
作为一种优选的技术方案，所述数据处理模块包括依次与数据中心交换机互联的原始数据库、实时监测数据库、机器学习数据库，原始数据库用于接收并保存来自数据中心交换机传送的起重机传动部件工作数据，实时监测数据库用于筛选起重机传动部件的核心工作数据和提取多尺度故障特征，机器学习数据库用于形成深度学习模型和识别故障。
作为一种优选的技术方案，所述实时监测数据库包括数据清理模块，所述数据清理模块与各起重机单机监测系统的单机监测采集器数据互联，用于筛选核心监测数据。
作为一种优选的技术方案，所述码头数据中心还包括用户端，所述用户端通过浏览器与数据中心交换机进行数据交互。
作为一种优选的技术方案，所述码头数据中心还包括web服务器、管理员工作站，所述web服务器、管理员工作站依次与所述数据处理模块数据互联。
本发明还提供一种港口起重机传动部件大数据监控方法，包括以下步骤：
(1)获取起重机传动部件的工作状态参数，包括转速、负载、小车位置等信息，并筛选出影响起重机振动水平的关键性参数；
(2)将关键性参数作为触发条件，对关键性参数进行清洗与标记，只保留与起重机故障时相关的状态参数；
(3)提取多尺度故障特征，构建深度学习模型，利用深度学习模型对故障模式进行快速识别、分类；
(4)将深度学习模型和与起重机故障时相关的状态参数进行可视化展示。
作为一种优选的技术方案，提取多尺度故障特征包括：
(1)一维时序
通过频谱分析和滤波方法，将参数信号中的无用信息和噪声信号进行过滤并保持一维结构，进行标准化后作为长短时记忆网络的输入；
(2)二维图谱
用小波变换和维纳滤波将一维时序信号变成二维时频图谱，增加频率信息，经过处理后用于卷积神经网络的输入；
(3)高维特征
用经验模态分解和局部模态分解方法将时序信号分解成不同成分，分别提取包括均值、方差、峭度、熵等统计特征，组成高维特征，并用稀疏变换、成分分析的方法对高维特征进行选择，最终组成特征向量，输入到深度学习模型中进行辅助训练。
作为一种优选的技术方案，构建深度学习模型以及利用深度学习模型对故障模式快速识别、分类包括：
(1)数据集准备
通过滤波和信号分解处理手段将原始信号中的噪声及无用信号去除，再通过时频变换、数据归一化方法，将原始信号变换成神经网络能够处理的纯净信号；
(2)深度学习模型构建
以卷积神经网络和长短时记忆网络为基础，构建能够处理一、二维数据的耦合神经网络模型；
(3)故障特征的自适应学习
在深度学习模型前端嵌入特征提取选择算法；
(4)深度学习模型参数学习
分为离线环节和在线环节，离线环节采用高性能的计算集群对构建的深度学习模型进行训练，固定神经网络参数；
在线环节使用学习好的参数对故障模式进行快速识别、分类。
本发明的有益效果在于：
1、针对集装箱码头这类离散大系统提供一种大数据智能清洗方式；集装箱码头存在多种类设备(岸边集装箱起重机和rtg/rmg等)，分布在码头的各个位置，工作在不同的工况，每台设备的传动设备复杂庞大，采集到的监测数据众多，处理存在较大困难。本发明可根据起重机设备的工况模式自动筛选出有效的工作数据，实现智能化的大数据清洗；
2、提供一种多尺度故障特征提取方式；港口起重设备处于典型的非平稳工况，单一的时域特征和频域特征难以准确指示故障；本发明基于小波变换、维纳滤波和经验模态分解，进行时频域联合分析，提取多尺度齿轮箱及轴承的故障表征特征；
3、提供一种基于深度学习的故障模式识别方式；传统的故障诊断方式依赖信号处理方法，不能提取深层次信息，不适用于复杂的非平稳工况。现有的智能诊断方法，因为数据的缺乏，模型的简单，不能应用于实际。因此，本发明采用深度学习方法(卷积神经网络和长短时神经网络)，建立深层次的故障诊断模型，能够从大数据中提取表征故障的自适应特征，并显著提高故障识别率；
4、实现故障诊断模型及大数据可视化；本发明所提供的在线监测系统提供云端可视化平台，创新地将深度学习模型进行可视化化展示，使用三维聚类图对不同故障的振动信号进行展示，并利用浏览器为工作人员提供良好的数据交互。
附图说明
图1是本发明大数据监控系统的系统结构图；
图2是本发明传感器布点的示意图；
图3是本发明大数据监测流程框图；
图4是本发明大数据故障诊断技术路线图；
图5是本发明深度学习故障诊断框架图；
图6是本发明港口设备故障诊断流程图；
图7是本发明深度神经网络内部结构可视化图。
具体实施方式
为能进一步了解本发明的内容、特点及功效，兹举例以下实施例，并配合附图详细说明如下。需要说明的是，以下实施例是描述性的，不是限定性的，不能由此限定本发明的保护范围。
在本发明的描述中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一特征和第二特征直接接触，或第一特征和第二特征通过中间媒介间接接触。而且第一特征在第二特征“之上”、“上方”、“上面”可以是第一特征在第二特征的正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”、“下面”可以是第一特征在第二特征的正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本发明的描述中，需要理解的是，术语“第一”、“第二”、仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含地包括一个或者更多个所述特征。
文中所称一个元件与另一个元件“固定”时，它可以直接固定到另一个元件上或者也可以通过媒介元件固定。当一个元件被描述为与另一个元件“连接”时，它可以是直接连接到另一个元件或者通过媒介元件连接。本文所使用的术语“上”、“下”、“左”、“右”、“顶部”、“底部”、“左侧”、“右侧”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
一种港口起重机传动部件大数据监控系统，如图1所示，包括多个起重机单机监测系统100、交换机200及码头数据中心300，所述码头数据中心300包括数据中心交换机301、可视化平台302、数据处理模块，其中，起重机单机监测系统100用于获取起重机传动部件的工作数据。
本实施例中，如图2所示，起重机单机监测系统100包括多个传感器101(图2中v1-v5)、多个单机监测采集器，所述传感器101包括振动传感器和温度传感器，各传感器101分别安装在起重机的电机400的驱动端、齿轮箱500的输入端、齿轮箱500的中间轴端、齿轮箱500的输出端和卷筒600的自由端，各传感器101与单机监测采集器数据互联，单机监测采集器与各起重机的控制中心进行通讯。
在系统运行时，各传感器101实时收集起重机的振动与温度信号，接入单机监测采集器；单机监测采集器对实时数据进行收集、滤波及fft计算与诊断，初步将诊断结果与报警信息经通讯模块发送给可视化平台302展示，并同步将数据反馈至码头数据中心300用于大数据深入挖掘，码头数据中心300同步将大量统计运算成果反馈至可视化平台302展示。可视化平台302配备报警功能，技术人员能够第一时间知晓故障的发生，也能通过可视化的图表快速定位故障发生位置、类型。
本实施例中，起重机单机监测系统100采用标准化测点与分布式监测方案：即在起重机各中间轴增加测点，并采用分布式的监测方案。测点标准化与已有实际失效模型匹配，全面覆盖了运行机构故障；分布式监测方案对采集通道及硬件成本进行优化，并增加其边缘计算能力，实现自动或智能诊断。
本实施例实践之后，基于理论模型与计算，得出设备失效与转速大小、负载相关。早期的设备监测系统的测点布置方式优先在齿轮箱输入轴(高速轴)和输入轴(最大载荷轴)。实际故障案例反馈，齿轮箱失效基本发生在中间轴，故提出标准化测点优化方案，即将各传感器101分别安装在起重机的电机400的驱动端、齿轮箱500的输入端、齿轮箱500的中间轴端、齿轮箱500的输出端和卷筒600的自由端，同时将高速轴测点v3移动至中间轴位置，优化后直接发现某岸桥中间轴故障。
由于采用分布式监测方案，即设备运行时，各机构如起升单元与小车单元联动状态，早期认为各机构联动数据有显著研究价值并需要同步保存，因此采用多通道(16通道以上)整体式采集方案，多通道采集器基于硬件性能拔高(成本高)并牺牲其计算能力实现的。经实际研究后发现：各机构的联动数据对设备故障分析无效，属于背景噪音且需要剔除，各机构需采用分布式监测方案。因此本实施例中各机构分别部署单机监测采集器，这对采集通道要求大大减少从而降低硬件成本，并加强采集器的边缘计算能力，从而能满足现场智能采集与诊断需求。
在起重机单机监测系统100的信号触发采集方面，本实施例通过对起重机数据长时间观察，找到因外界干扰导致系统误报警的关键因素，从而形成一种新的数据采集触发策略。即单机监测采集器通过与设备的控制中心plc进行通讯，将设备的状态参数信号提取出来，在达到某一数值后触发采集器进行数据采集，该策略从数据采集源头对数据进行了清洗与标记，将复杂的、海量的起重机械工业大数据变成与设备故障相关联，易识别的数据，从而节省了数据传输、存储及识别成本；同时基于有效数据进行分析计算，实现对故障的智能诊断与快速定位，避免误报设备故障。
数据中心交换机301与交换机200数据互联，作为通讯模块，用于传送起重机传动部件的工作数据。
数据处理模块与数据中心交换机301数据互联，用于接收起重机传动部件工作数据。数据处理模块包括依次与数据中心交换机301互联的原始数据库303、实时监测数据库304、机器学习数据库305，原始数据库303用于接收并保存来自数据中心交换机301传送的起重机传动部件工作数据。
如图3所示，实时监测数据库304用于筛选起重机传动部件的核心工作数据和提取多尺度故障特征，筛选核心工作数据时，执行以下步骤：
a)通过对起重机运行状态参数,如转速、负载、小车位置等信息进行长期监测，找到影响传动设备振动水平的关键性参数；
b)将关键运行参数作为触发条件内置于系统中，进行触发采集与存储功能，即只保留与设备故障相关的振动数据，在源头对数据进行智能化清洗与标记。
如图4、图5所示，为充分发掘数据内在信息以及提取适应于深度学习模型的学习数据集，提取多尺度故障特征时，执行以下步骤：
一维时序：通过频谱分析和滤波方法，将信号中的无用信息和噪声信号进行过滤并保持一维结构，进行标准化后作为长短时记忆网络的输入。
二维图谱：用小波变换和维纳滤波将一维时序信号变成二维时频图谱，增加频率信息，经过处理后用于卷积神经网络的输入。
高维特征：用经验模态分解和局部模态分解等信号分解方法，将时序信号分解成不同成分后分别提取统计特征(均值，方差，峭度，熵等)，组成高维特征，并用稀疏变换、成分分析等方法对高维特征进行选择，最终组成特征向量，输入到深度学习模型中进行辅助训练。
如图6、图7所示，机器学习数据库305用于形成深度学习模型和识别故障。运行时执行以下步骤：
数据集准备：通过滤波和信号分解等处理手段将原始信号中的噪声及无用信号去除，再通过时频变换、数据归一化等方法，将原始信号变换成神经网络能够处理的纯净信号(一维时序，二维图谱)。
深度学习模型构建：以卷积神经网络和长短时记忆网络为基础，构建能够处理一、二维数据的耦合神经网络模型。
故障特征的自适应学习：在深度学习模型前端嵌入特征提取选择算法，提高故障模式识别特征的自适应提取准确率。
深度学习模型参数学习：分为离线和在线两个环节。离线环节采用高性能的计算集群对构建深度学习模型进行训练，固定神经网络参数；在线环节使用学习好的参数对故障模式进行快速识别。
所采用的卷积神经网络和长短时记忆网络都是本领域常用的深度学习网络，具有相对固定的神经网络结构。
可视化平台302与数据中心交换机301数据互联，用于展示深度学习模型和起重机传动部件的实时工作数据。
可视化平台302还提供大量专业信息的存储(存储至存储模块)，可供研究人员了解整个码头的工作情况，制定详细的设备运维策略。
码头数据中心300还包括用户端306，所述用户端306通过浏览器与数据中心交换机301进行数据交互。
码头数据中心300还包括web服务器307、管理员工作站308，所述web服务器307、管理员工作站308依次与数据处理模块数据互联。web服务器307可帮助实现如手机客户端、pad等跨平台访问及远程监控工作。管理工作站308可实现对所监控设备台账、维保历史、用户访问权限，数据库备份与恢复等管理工作。
本实施例还提供一种港口起重机传动部件大数据监控方法，包括以下步骤：
(1)获取起重机传动部件的工作状态参数，包括转速、负载、小车位置等信息，并筛选出影响起重机振动水平的关键性参数；
(2)将关键性参数作为触发条件，对关键性参数进行清洗与标记，只保留与起重机故障时相关的状态参数；
(3)提取多尺度故障特征，构建深度学习模型，利用深度学习模型对故障模式进行快速识别、分类；
(4)将深度学习模型和与起重机故障时相关的状态参数进行可视化展示。
其中，提取多尺度故障特征包括：
(1)一维时序
通过频谱分析和滤波方法，将参数信号中的无用信息和噪声信号进行过滤并保持一维结构，进行标准化后作为长短时记忆网络的输入；
(2)二维图谱
用小波变换和维纳滤波将一维时序信号变成二维时频图谱，增加频率信息，经过处理后用于卷积神经网络的输入；
(3)高维特征
用经验模态分解和局部模态分解方法将时序信号分解成不同成分，分别提取包括均值、方差、峭度、熵等统计特征，组成高维特征，并用稀疏变换、成分分析的方法对高维特征进行选择，最终组成特征向量，输入到深度学习模型中进行辅助训练。
进一步，构建深度学习模型以及利用深度学习模型对故障模式快速识别、分类包括：
(1)数据集准备
通过滤波和信号分解处理手段将原始信号中的噪声及无用信号去除，再通过时频变换、数据归一化方法，将原始信号变换成神经网络能够处理的纯净信号；
(2)深度学习模型构建
以卷积神经网络和长短时记忆网络为基础，构建能够处理一、二维数据的耦合神经网络模型；
(3)故障特征的自适应学习
在深度学习模型前端嵌入特征提取选择算法；
(4)深度学习模型参数学习
分为离线环节和在线环节，离线环节采用高性能的计算集群对构建的深度学习模型进行训练，固定神经网络参数；
在线环节使用学习好的参数对故障模式进行快速识别、分类。
以上所述，仅为本发明的较佳的具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其构思加以等同替换或改变，都应涵盖在本发明的保护范围内。
1.一种港口起重机传动部件大数据监控系统,其特征在于,包括多个起重机单机监测系统、交换机及码头数据中心，所述码头数据中心包括数据中心交换机、可视化平台、数据处理模块，起重机单机监测系统用于获取起重机传动部件的工作数据，数据中心交换机与交换机数据互联，用于传送起重机传动部件的工作数据，数据处理模块与数据中心交换机数据互联，用于接收起重机传动部件工作数据、筛选核心工作数据以及形成深度学习模型，可视化平台与数据中心交换机数据互联，用于展示深度学习模型和起重机传动部件的实时工作数据。
2.根据权利要求1所述的港口起重机传动部件大数据监控系统，其特征在于，所述起重机单机监测系统包括多个传感器、多个单机监测采集器，所述多个传感器分别安装在起重机的电机驱动端、齿轮箱输入端、齿轮箱中间轴端、齿轮箱输出端和卷筒的自由端，各传感器与单机监测采集器数据互联，多个单机监测采集器分别设置在各起重机上，并与起重机的控制中心进行通讯连接，单机监测采集器获取起重机传动部件的工作状态参数，包括转速、负载、小车位置等信息。
3.根据权利要求2所述的港口起重机传动部件大数据监控系统，其特征在于，所述传感器包括振动传感器和温度传感器。
4.根据权利要求1所述的港口起重机传动部件大数据监控系统，其特征在于，所述数据处理模块包括依次与数据中心交换机互联的原始数据库、实时监测数据库、机器学习数据库，原始数据库用于接收并保存来自数据中心交换机传送的起重机传动部件工作数据，实时监测数据库用于筛选起重机传动部件的核心工作数据和提取多尺度故障特征，机器学习数据库用于形成深度学习模型和识别故障。
5.根据权利要求4所述的港口起重机传动部件大数据监控系统，其特征在于，所述实时监测数据库包括数据清理模块，所述数据清理模块与各起重机单机监测系统的单机监测采集器数据互联，用于筛选核心监测数据。
6.根据权利要求1所述的港口起重机传动部件大数据监控系统，其特征在于，所述码头数据中心还包括用户端，所述用户端通过浏览器与数据中心交换机进行数据交互。
7.根据权利要求1所述的港口起重机传动部件大数据监控系统，其特征在于，所述码头数据中心还包括web服务器、管理员工作站，所述web服务器、管理员工作站依次与所述数据处理模块数据互联。
8.一种港口起重机传动部件大数据监控方法，其特征在于，包括以下步骤：
(1)获取起重机传动部件的工作状态参数，包括转速、负载、小车位置等信息，并筛选出影响起重机振动水平的关键性参数；
(2)将关键性参数作为触发条件，对关键性参数进行清洗与标记，只保留与起重机故障时相关的状态参数；
(3)提取多尺度故障特征，构建深度学习模型，利用深度学习模型对故障模式进行快速识别、分类；
(4)将深度学习模型和与起重机故障时相关的状态参数进行可视化展示。
9.根据权利要求8所述的港口起重机传动部件大数据监控方法，其特征在于，提取多尺度故障特征包括：
(1)一维时序
通过频谱分析和滤波方法，将参数信号中的无用信息和噪声信号进行过滤并保持一维结构，进行标准化后作为长短时记忆网络的输入；
(2)二维图谱
用小波变换和维纳滤波将一维时序信号变成二维时频图谱，增加频率信息，经过处理后用于卷积神经网络的输入；
(3)高维特征
用经验模态分解和局部模态分解方法将时序信号分解成不同成分，分别提取包括均值、方差、峭度、熵等统计特征，组成高维特征，并用稀疏变换、成分分析的方法对高维特征进行选择，最终组成特征向量，输入到深度学习模型中进行辅助训练。
10.根据权利要求8所述的港口起重机传动部件大数据监控方法，其特征在于，构建深度学习模型以及利用深度学习模型对故障模式快速识别、分类包括：
(1)数据集准备
通过滤波和信号分解处理手段将原始信号中的噪声及无用信号去除，再通过时频变换、数据归一化方法，将原始信号变换成神经网络能够处理的纯净信号；
(2)深度学习模型构建
以卷积神经网络和长短时记忆网络为基础，构建能够处理一、二维数据的耦合神经网络模型；
(3)故障特征的自适应学习
在深度学习模型前端嵌入特征提取选择算法；
(4)深度学习模型参数学习
分为离线环节和在线环节，离线环节采用高性能的计算集群对构建的深度学习模型进行训练，固定神经网络参数；
在线环节使用学习好的参数对故障模式进行快速识别、分类。
技术总结